在转移学习的质瘤患者中监督的白质束细分
Chiara Riccardi1, Ludovico Coletta1, Sofia Ghezzi2
1Fondazione Bruno Kessler, Neuroinformatics Laboratory (NILab), Via Sommarive 18, Trento, 38123, Italy; University of Trento, Centre for Mind/Brain Sciences (CIMeC), corso Bettini, 31, Rovereto, 38068, Italy.
Medical image analysis
|August 28, 2025
概括
转移学习有效地将健康大脑的深度学习模型适应于质瘤患者, 克服数据短缺和系统差异, 实现更好的白质细分. 然而,它在瘤引起的变形中扎.
科学领域:
- 神经成像
- 人工智能
- 计算神经科学
背景情况:
- 虚拟剖析白质管道有助于神经监测和治疗计划.
- 深度学习模型对健康个体的白质细分具有高准确性.
- 有限的临床数据集和人群差异阻碍了对患者的深度学习应用.
研究的目的:
- 研究转移学习以适应从健康人群到质瘤患者的深度学习模型.
- 在白质细分中描述域转移组件 (系统性与瘤特异性).
- 评估转移学习在解决数据稀缺和领域转移方面的有效性.
主要方法:
- 在大量健康人口数据集上训练了深度学习架构.
- 应用转移学习以适应质瘤患者的数据.
- 通过区分系统和瘤特异性的组件来表征域移位.
- 在五个白质捆绑和三个输入模式中评估模型性能.
主要成果:
- 在健康数据上训练的模型显示质瘤患者的表现显著下降.
- 转移学习有效地管理了系统的领域转移,并缓解了数据稀缺.
- 微调不能完全弥补由瘤引起的大白质变形.
- 结果显示不同包和模式的稳定性和通用性.
结论:
- 转移学习是临床群体中白质细分的可行策略,特别是用于管理系统的领域转移.
- 深度学习模型需要进一步开发以处理复杂的瘤诱导的解剖变化.
- 这项研究为推进自动化细分和临床转移学习应用提供了见解.
